面向地理空间推理的基础模型：评估大语言模型在几何与拓扑空间关系理解能力
计算与语言
2025-05-26 v1 人工智能
摘要
将 AI 基础模型直接应用于地理空间数据集仍具有挑战，主要因其在表示和推理地理实体方面有限，尤其是面向向量几何和复杂空间关系的自然语言描述。为此，我们研究了当地理空间向量数据输入大语言模型（LLM）时，well-known-text (WKT) 表示的几何及其空间关系（如拓扑谓词）是否得以保留。我们的工作流程采用三种不同方法完成空间推理任务，以便进行比较，即基于几何嵌入、基于提示工程和基于日常语言的评估。实验结果表明，基于嵌入和基于提示工程的方法在进行地理空间问答任务时，能够实现超过 0.6 的平均准确率，用于识别两个几何之间拓扑空间关系的识别。在所评估的模型中，GPT-4 通过 few-shot 提示实现了最佳性能，在拓扑空间关系推理任务中取得超过 0.66 的准确率。此外，GPT-based 推理器能够正确理解逆拓扑空间关系，并且包含 LLM 生成的几何可增强地理实体检索的效果。GPT-4 还表现出将某些地方的常用描述翻译为正式拓扑关系的能力，添加几何类型或地点类型的上下文可能提高推理准确率，但因实例而异。这些空间推理任务的性能为改进 LLMs 具备地理知识以发展出能够进行地理空间推理的地理基础模型提供了宝贵的见解。
引用
@article{arxiv.2505.17136,
title = {Foundation Models for Geospatial Reasoning: Assessing Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations},
author = {Yuhan Ji and Song Gao and Ying Nie and Ivan Majić and Krzysztof Janowicz},
journal= {arXiv preprint arXiv:2505.17136},
year = {2025}
}
备注
33 pages, 13 figures, IJGIS GeoFM Special Issue